一种伺服直驱泵控液压系统小波神经网络控制方法
【专利摘要】本发明公开了一种伺服直驱泵控液压系统小波神经网络控制方法，属于液压控制技术领域。该液压控制系统具体包括：小波神经网络控制部分，伺服调速部分，液压部分。网络控制部分接受传感器反馈回来的信号，对信号进行分析处理后进行自适应智能控制，从而达到精确控制。在传统的液压伺服控制系统中,由于液压固有频率、液压刚度以及外界干扰力等使液压系统成为参数时变、强非线性等特点，导致很难对建立精确的数学模型，进而影响控制系统的精确度和安全性。本发明通过设计小波神经网络来控制伺服直驱泵控液压系统可以达到较高的控制精度。
【专利说明】
-种伺服直驱累控液压系统小波神经网络控制方法
技术领域
[0001 ]本发明设及一种伺服直驱累控液压系统，属于液压控制技术领域。
【背景技术】
[0002] 伺服直驱累控液压技术是液压领域的新型传动技术，具有节能、高效、宽调速范 围、高可靠性、低噪音、易实现计算机数字控制等诸多优点，在国民生产的各领域有着巨大 的潜在应用价值。但伺服直驱累控液压系统属于容积调速，且包含了驱动器和电机环节，使 得整个系统存在响应慢、控制特性差等难点问题，传统的液压伺服控制系统中，由于液压固 有频率、液压阻尼比、液压刚度W及外界干扰力等使液压系统成为参数时变、强非线性、不 确定延迟等特点，导致很难对被控对象进行精确的数学机理模型描述，进而影响控制系统 的精确度和安全性。而采用现代控制理论的状态空间描述方法也仅是对真实系统的近似描 述，其间必然存在一定的偏差，无法满足工业过程对控制精度的要求。针对电液伺服系统快 速性、稳定性和精确性之间存在相互干扰的问题，将小波神经网络模型控制应用于伺服直 驱累控液压系统中，提出了一种伺服直驱累控液压系统小波神经网络控制方法。该控制方 法比常规PID控制和模糊控制等控制策略具有更好的自适应能力和控制性能。
【发明内容】
[0003] 本发明针对现有伺服直驱累控液压系统控制方面存在的缺陷与不足，通过设计一 种小波神经网络模型，并采用最速下降法对参数进行自组织自适应优化，使收敛速度更 快，控制精度更高。
[0004] 为实现上述目的，本发明采用的技术方案是:一种伺服直驱累控液压系统小波神 经网络控制方法，包括： 本发明有所设及的伺服直驱累控液压系统有永磁同歩伺服电机提供动力源。根据矢量 控制理论建立永磁同歩伺服电机电压与电机转速的数学模型：
--电动机的电磁转矩，单位源^11; 焉 负载转矩，单化絮-縦； --q轴电流;单位; ^一一q轴电压，单位庐； 忘g 定子电感在q轴的等效电感，单位H; Mg一一定子电阻，单位〇; I一一转动部分折算到转子轴上的转动惯量，单位 m一一转子机械转速麵Ii适； D-电动机的黏性摩擦系数嚴谢带缀fl遺)； 1?一一电机参数，称为转矩灵敏度； &一一电动机参数，称为反电势系数。
[0005] 建立伺服电机转速与液压缸位移的数学关系 累控液压系统部分包括液压累、管道、换向阀和液压缸。液压累高压腔到液压缸之间的 压力巧可看作是相等的，液压缸回油侧压力近似为零，液压累的容积效率曲线近似为直线， 因此液压累的内泄漏是跟压力成正比的。将液压累的内泄漏与管道和液压缸的泄漏系数为 卷，美。
[0006] 得到伺服电机转速与液压缸流量方程为： Q一一液压累的流量；
吗一一伺服电机的转速； i一一累高压腔到液压缸之间的压力； 赫》-累的排量； A一一液压缸无杆腔有效工作面积； f一一活塞运动位移； I一一泄漏系数； W一一液压累高压腔到液压缸之间的油液体积； M一一油液体积弹性模量。
[0007] 本发明所设及的伺服直驱累控液压系统，由于液压累存在泄漏和各种摩擦损失， 驱动液压系统所需的转矩应当有压力转矩和损失转矩两部分组成：
一一累的总转矩，单位汲; 滅孩--累的输出转矩，单位潔* Jl; Mj--累的损失转矩，单位潔*11; F--累的出口压力，单位 心心\一一累的转矩损失的参数； 爵--液体的密度，单位％/;!巧3; 興一一流体动力粘度系数，单位黨* i一一转子的气隙间隔，单位m; Pg一一液压系统的总容积，单位 1 一一液体的体积模量。
[0008] 由于伺服直驱累控液压系统的输出与输入之间属于多因素、强禪合、非线性的问 题，很难用精确的数学模型来求解他们之间的关系，而用小波神神经网络可W很好的实现 满足精度要求的智能控制。系统的输入参数有电机的电压勝、电流f、转子转速滅;累的排 量%等。输出参数主要为液压累的出口压力罗。
[0009] 本发明的小波神经网络中的小波采用Morlet小波，它的优点是时频域的局部性能 都比较好，频域能量比较集中，频率混叠影响较小。
[0010] 设資边为齡^6*小波函数，餐为输入层的第i个输入样本，巧为输出层的第f个输 出值，%为连接输入层节点f和隐含层节点i的权值,?为链接隐含层节点J和输出层节 点i的权值。运里约定續是第个输出层节点阀值，是隐含层节点阀值，%为第J个隐含 层节点的伸缩因子，%为第^^个隐含层节点的平移因子，则小波神经网络模型可^描述为：
[0011] 小》
其中I紀《城，^分别为框架的上下界。此处选择illl潔I时的几乎紧框架的 Morlet小波函数：
样本归一化。在伺服直驱累控液压系统中，各样本的取值范围由于各种因素存在一定 的差距，为防止在训练时在网络的平坦区域陷入极值，对样本预先进行归一化处理。
[001。式中《为输入样本;嗦为归一化后样本。
[0013] 确定网络结构。网络输入层结点个数个为4,输出节点个数1，隐层节点个数6。如 图1所示。网络的輪入巧輪出书占 A讶I田向昔F巧取亲元。
[0014] 即 网络初始化。误差E取为0.0 Ol，
学习速率螺取0.1，动量因子豕取0.07，训练次数500次， 随机初始化小波函数的伸缩因子平移因子%和网络连接权值滅。
[0015] 样本分类。把伺服直驱液压系统样本分为训练样本和测试样本，训练样本用于训 练网络，测试样本用于测试小波神经网络的输出精度。
[0016] 控制输出。把训练样本输入到所设计神经网络，计算网络控制输出，并计算网络输 出和期望输出的误差E。
[0017] 权值修正。根据误差精度E修正小波函数参数与网络权值，控制输出值逼近期望 值。
[0018] 设胃为第#个模式的第f个期望输出，则基于最小二乘法的代价函数表示为：
式中，Jl一-第f个实际输出向量； 建f--第f个期望输出向量。
[0019]由式可W得到W下偏导数：
为加快算法的收敛速度引入动量因子f，其迭代公式为：
式中，琢--为学习速率。
[0020] 在网络权值调整过程中，初始阶段，学习步长选择要大一些，W使学习速度加快， 当接近最优点时，学习速率小一些，确保权值收敛。
【附图说明】
[0021] 图1为小波神经网络模型图； 图2所示为本发明的实施流程图；
【具体实施方式】
[0022] 1.数据采集。对伺服直驱累控液压系统进行数据采集，包括输入和输出相关参数. 在伺服直驱累控液压系统中，各样本的取值范围由于各种因素存在一定的差距，为防止在 训练时在网络的平坦区域陷入极值，对样本预先进行归一化处理。
[0023]
式中4为输入样本;ffc*为归一化后样本。
[0024]样本分类。把伺服直驱液压系统样本分为训练样本和测试样本，训练样本用于训 练网络，测试样本用于测试小波神经网络的输出精度。
[00巧]2.确定网络结构。设炉址为Morlet小波函数，A为输入层的第Jt个输入样本，A为 输出层的第:f个输出值，为连接输入层节点i可日隐含层节点/的权值，"V为链接隐含层 节点J和输出层节点Jt的权值。运里约定巧8是第个输出层节点阀值，Wjw是隐含层节点阀 值，Uj-为第/个隐含层节点的伸缩因子，咬?为第J个隐含层节点的平移因子，则小波神经网 络模型可W描述为：
[002
其中皿，4及分别为框架的上下界。此处选择^及Wi时的几乎紧框架的 Morlet小波函数：
网络输入层结点个数个为4,输出节点个数1，隐层节点个数6。如图1所示。网络的输入 和输出节点分别用向量义和r表示。
[0027]良
3.网络初始化。误差E取为0.001，学习速率巧取0.1，动量因子T取0.07，训练次数500 次，随机初始化小波函数的伸缩因子Uj?，平移因子?和网络连接权值@。
[002引4.网络计算。把训练样本输入到所设计神经网络，计算网络控制输出，并计算网络 输出和期望输出的误差E。
[0029] 5.权值修正。根据误差精度E修正小波函数参数与网络权值，控制输出值逼近期望 值。
[0030] 设谭为第个模式的第个期望输出，则基于最小二乘法的代价函数表示为：
式中，.3?--第:f个实际输出向量； 马一一第I个期望输出向量。
[0031] 由式可W得到W下偏导数： 为；
式中，巧一-为学习速率。
[0032] 6.计算误差函数巧，1，如果，
，则转第7步;如果，
则继续 调整网络训练参数，直至五<￡，转5步。
[0033] 7.输出学习结果，结束。
[0034] 如图2所示为本发明的实施流程图。
【主权项】
1. 一种伺服直驱栗控液压系统小波神经网络控制方法，其特征在于:包括以下步骤:首 先，对伺服直驱栗控液压系统进行数据采集，包括输入和输出相关参数，并对数据进行归一 化处理;其次设计网络结构参数，根据一定数学模型确定输入层与输出层的维数，并确定出 隐含层的维数和小波基函数;然后初始化网络参数，设定误差精度，接着对样本进行训练， 根据所设定精度进行自适应的调整权值，直到满足需求的控制精度。2. 根据权利要求1所述的一种伺服直驱栗控液压系统小波神经网络控制方法，其特征 在于:所述的输入层参数包括电机电压、电流、转子的转速、栗的排量;输出参数为栗的出口 压力。3. 根据权利要求1所述的一种伺服直驱栗控液压系统小波神经网络控制方法，其特征 在于:对所给定的数据样本为防止在训练时在网络的平坦区域陷入极值，进行归一化处理。4. 根据权利要求1所述的一种伺服直驱栗控液压系统小波神经网络控制方法，其特征 在于:根据伺服直驱栗控液压系统的自身特点建立了一定的数学关系，设计了输入输出层 的维数，确定了隐含层的维数，其网络模式为4 一6-1型。5. 根据权利要求1所述的一种伺服直驱栗控液压系统小波神经网络控制方法，其特征 在于：提出了基于小波神经网络模型的控制方法，小波神经网络是以小波基函数为神经元 激励函数的前馈网络模型，它是小波分析理论和神经网络相互结合的产物，具有小波变换 良好的时频局域化特点，而神经网络具有很强的泛化能力与自适应数据的能力，因此小波 神经网络有着更强的自组织、自学习及自适应能力，和逼近、容错和推理能力。6. 所设计的网络为3层BP神经网络，对隐含层的小波基函数采用Morlet小波函数，其表 达式7. 根据权利要求1所述的一种伺服直驱栗控液压系统小波神经网络控制方法，其特征 在于:所述小波神经网络对样本采用分类处理后采用最速下降法进行训练，直到误差精度 达到要求。
【文档编号】G05B13/04GK106019947SQ201610613307
【公开日】2016年10月12日
【申请日】2016年7月31日
【发明人】韩贺永, 乔永杰, 和东平, 王雷
【申请人】太原科技大学